用于个体处理效应估计的联邦逆概率处理加权
机器学习
2025-03-10 v1 人工智能
摘要
个体处理效应（ITE）估计旨在评估治疗策略对某些重要结果的因果效应，这是医疗保健中的一个关键问题。大多数现有的ITE估计方法设计用于集中式设置。然而，在真实的临床场景中，由于潜在的隐私和安全风险，原始数据通常无法在医院之间共享，这使得这些方法不适用。在本工作中，我们研究了联邦设置下的ITE估计任务，使我们能够利用来自多家医院的去中心化数据。由于收集到的数据中不可避免地存在混杂偏差，直接从中学习的模型将不准确。一个众所周知的解决方案是逆概率处理加权（IPTW），它利用给定协变量的条件治疗概率对每个训练样本重新加权。然而，在联邦设置中应用IPTW并非易事。我们发现，即使条件概率估计良好，仅使用每家医院数据独立的局部模型训练步骤仍会遭受混杂偏差。为解决这一问题，我们提出了FED-IPTW，一种将IPTW扩展到联邦设置的新算法，该算法强制全局（所有数据）和局部（每家医院内部）协变量与治疗之间的去相关。我们在比较机械通气对改善重症监护病房（ICU）中呼吸困难患者生存概率的治疗效果的任务上验证了我们的方法。我们在合成数据和真实世界的eICU数据集上进行了实验，结果表明FED-IPTW在所有指标上均优于最先进的方法，为机械通气使用中的个性化治疗方案设计铺平了道路。
引用
@article{arxiv.2503.04946,
title = {Federated Inverse Probability Treatment Weighting for Individual Treatment Effect Estimation},
author = {Changchang Yin and Hong-You Chen and Wei-Lun Chao and Ping Zhang},
journal= {arXiv preprint arXiv:2503.04946},
year = {2025}
}